买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉公诚管理咨询有限公司申请的专利基于多传感器数据融合的工程巡查机器人定位方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119803482B 。

龙图腾网通过国家知识产权局官网在2025-12-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510200600.0，技术领域涉及：G01C21/20；该发明授权基于多传感器数据融合的工程巡查机器人定位方法是由刘捷;陈勇刚;李志;何照新;梁远忠;周凯;罗杏通;方远琪;霍志恒;胡科建设计研发完成，并于2025-02-24向国家知识产权局提交的专利申请。

本基于多传感器数据融合的工程巡查机器人定位方法在说明书摘要公布了：本发明涉及数据处理领域，具体涉及基于多传感器数据融合的工程巡查机器人定位方法，该方法包括：通过至少两个不同类型的传感器采集真实传感器数据，通过基于元学习的生成对抗网络算法产生生成传感器数据，采用基于海浪能量捕获优化的神经网络算法训练特征提取模型，采用基于动态调整矩阵的自编码器算法对特征降维模型进行训练，采用基于自适应错误校正项的极限学习机算法训练分类器，采集新的真实传感器数据输入训练完成的分类器中，得到工程巡查机器人在位置环境中的位置分类。现有的定位方法因样本数据量较少和数据处理能力较弱的原因定位精度较为不准确，而本发明对样本数据量进行扩充并对数据处理进行优化，因而具有较为准确的定位精度。

本发明授权基于多传感器数据融合的工程巡查机器人定位方法在权利要求书中公布了：1.基于多传感器数据融合的工程巡查机器人定位方法，其特征在于，包括以下步骤： S1、通过至少两个不同类型的传感器采集真实传感器数据，对真实传感器数据进行分类标注，得到标注后的真实传感器数据； S2、根据所述标注后的真实传感器数据通过基于元学习的生成对抗网络算法产生生成传感器数据，所述标注后的真实传感器数据与所述生成传感器数据构成样本数据； 所述基于元学习的生成对抗网络算法的训练步骤如下： S201、初始化生成器参数与判别器参数 S202、生成器接收随机噪声向量zc，生成相应的新生成传感器数据； S203、根据判别器提供的反馈，采用元学习优化器调整生成器与判别器的参数更新策略，调整方式表示为： 式中，为基于元学习调整后的参数；θc为当前的参数；λc为元学习率，Dc为判别器，Gc为生成器； 损失函数的计算方式为： 式中，Nc为批次数据的数量，yci为第i个真实传感器数据标签，Dc为判别器，xci为输入到判别器的第i个样本数据，Gc为生成器，zci为输入到生成器的第i个噪声向量；i为当前批次生成对抗网络处理的样本数量索引，λc为正则化参数； 正则化参数λc的自适应调整方式表示为： 式中，为自适应调整后的正则化参数，gradprev为上一步的梯度，||||为L2范数，λadjust为隐变量调整系数，为隐变量损失函数，损失函数关于参数θc的梯度；∈r为防止分母为零的小量； 隐变量调整系数λadjust的计算方式为： 式中，Varhc表示隐变量的方差，σthreshold为一个预设的阈值； S204、根据梯度下降策略对基于元学习调整后的生成器参数与判别器参数进行再次更新； S205、重复迭代上述步骤，直至满足预设的停止迭代条件，即表示特征模型训练完成； S3、将所述样本数据输入到特征提取模型中，采用基于海浪能量捕获优化的神经网络算法训练所述特征提取模型，得到训练完成的特征提取模型与特征提取后的样本数据； S4、将所述特征提取后的样本数据输入到特征降维模型中，采用基于动态调整矩阵的自编码器算法对特征降维模型进行训练，得到训练完成的特征降维模型与降维后的样本数据； S5、将所述降维后的样本数据输入到分类器中，采用基于自适应错误校正项的极限学习机算法训练所述分类器，得到训练完成的分类器； S6、通过至少两个不同类型的传感器采集新的真实传感器数据，将所述新的真实传感器数据输入所述训练完成的分类器中，得到工程巡查机器人在位置环境中的位置分类，实现工程巡查机器人的位置定位。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人公诚管理咨询有限公司，其通讯地址为：510000 广东省广州市天河区中山大道西89号A栋9层908-913房；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。